[发明专利]一种基于动作识别的运动姿态矫正方法

说明书

本发明涉及运动姿态矫正技术领域，且公开了一种基于动作识别的运动姿态矫正方法，该校正方法包括以下步骤：建立一个标准数据集，为姿态矫正提供标准动作模板，解决场景理解中的场景问题；采用top‑down方法检测，top‑down方法首先检测所有人的框以及通过热度图将得到每一个关键点按顺序拼接，确定属于同一个人的关键点序列，该基于动作识别的运动姿态矫正方法能够帮助用户矫正运动姿态，且可以随时随地，更高效科学的运动；以人体运动学与计算机视觉等技术为依托，主要基于pytorch框架采用YOLO+deepsort算法对检测目标进行定位和轨迹跟踪，并结合姿态矫正OpenPose模型对目标进行姿态识别，目的在于检测出并提示用户不正确的运动姿态，从而进行矫正。

技术领域

本发明涉及运动姿态矫正技术领域，具体为一种基于动作识别的运动姿态矫正方法。

背景技术

基于统计的姿态识别方法主要分为隐马尔可夫模型和动态贝叶斯网络。隐马尔可夫模型是目前应用最广泛的一种方法，但它只适合于描述单个运动物体的系统，并且该方法对信息的融合效果较差，由此带来的误差参数叠加会降低模型参数的精度；动态贝叶斯网络能够学习变量间的概率依存关系及其随时间变化的规律，具有很好的可扩展性和可解释性，对于多信息融合推理、多物体动态系统识别非常有效，是人体姿态识别今后发展的方向，但这样的系统需要大量的特征参数，导致该方法的计算量大，复杂度高。基于模板的姿态识别方法分为：模板匹配法、动态时空规整法和动态规划法。基于计算机视觉的姿态检测算法较复杂、系统庞大、实时性差。

现有技术中，存在一种姿态检测模型MoveNet，并推出相应的API。MoveNet模型运用到FormFit项目，可以非常迅速，准确的检测人体17个关键节点，但只适合进行单人的姿态检测，但最后测试的结果准确率并不理想；PoseC3D是基于人体姿态的动作识别的范式，基于3D-CNN的骨骼行为识别框架，同时具备良好的识别精度与效率，但输入的扰动容易对其造成较大的影响，使其难以处理关键点缺失或训练测试时使用骨骼数据存在分布差异等情形，且很难与其他基于3D-CNN的模态进行特征融合，而且很难被用于群体动作识别等应用。

随着国民生活水平的日益提高，人们对生活品质的追求也越来越高，运动健身逐渐进入了大众的视野。而在这种全民运动的大环境下，出现的问题也是不在少数。最严重的当然就是动作姿势不标准而导致的关节磨损、肌肉拉伤等身体问题。现有线上运动指导的操作方式，是不能够随时随地矫正运动姿势；鉴于此，我们提出了一种基于动作识别的运动姿态矫正方法。

发明内容

本发明的目的在于提供一种基于动作识别的运动姿态矫正方法，以解决现有线上运动指导的操作方式，不能够随时随地矫正运动姿势的问题。

为实现上述目的，本发明提供如下技术方案：一种基于动作识别的运动姿态矫正方法，所述运动姿态矫正方法包括以下步骤：

S1、建立一个标准数据集，为姿态矫正提供标准动作模板，解决场景理解中的场景问题，并通过摄像设备对样本数据采集；

S2、采用top-down方法检测，top-down方法首先检测所有人的框，再对每一个框进行姿态估计输出结果，这不免会发生人重叠和遮挡的问题，容易丢失目标，且在人多的时候计算效率低，使姿态估计得慢，通过bottom-up方法来获取人体各个关键点位置，这样将不再依赖于人体框而直接预测；

S3、通过热度图将得到每一个关键点按顺序拼接，确定属于同一个人的关键点序列。

可选的，所述场景问题包括：检测目标的非标志性视图、目标之间的上下文推理以及目标的精准2D定位。

可选的，所述S1进一步的包括：基于YOLO+deepsort模型对样本数据集中的视频进行目标定位和轨迹跟踪。

可选的，所述S1包括：基于openpose模型获取目标在进行健身动作中的人体骨架数据特征序列。